Используйте рентгеновские снимки грудной клетки, чтобы создать и опубликовать модель классификации изображений с точностью 98%.
написано Франческо Пальма и Эоганом Геогеганом
Детская пневмония - главная причина смерти детей в возрасте до 5 лет, от которой ежегодно умирает более 800 000 человек. По данным ВОЗ, большинство случаев детской клинической пневмонии происходит в таких регионах, как Юго-Восточная Азия и Африка к югу от Сахары.
Хотя большинство смертей, связанных с пневмонией у детей, происходит в развивающихся странах, все еще существуют значительные медицинские расходы, связанные с пневмонией у детей, живущих в развитых странах.
Бактериальные и вирусные патогены являются основными причинами пневмонии (Mcluckie, 2009), но требуют совершенно разных форм лечения. Бактериальная пневмония требует срочного обращения к специалисту и немедленного лечения антибиотиками, тогда как вирусная пневмония лечится поддерживающей терапией. Поэтому точный и своевременный диагноз имеет первостепенное значение. Одним из ключевых методов диагностики является использование рентгенологических данных, поскольку рентгенограммы грудной клетки обычно проводятся для выявления причины этих симптомов и могут помочь дифференцировать различные типы пневмонии. Однако быстрая радиологическая интерпретация изображений не всегда доступна, особенно в условиях ограниченных ресурсов, где детская пневмония наиболее распространена и имеет самые высокие показатели смертности.
В этой статье мы создаем и внедряем модель искусственного интеллекта для автоматического определения пневмонии по рентгеновским снимкам грудной клетки с точностью 98,89%. Все разрабатывается без написания единой строчки кода и без надзора специалиста. Если системе даны сотни невидимых изображений, на их анализ уйдет меньше секунды.
Развернутое нами веб-приложение, которое можно использовать для классификации невидимых изображений, доступно здесь: https://cloud.giotto.ai/ic/pneumonia
Пароль: пневмония
Современные методы обнаружения и ограничения
Есть несколько методов, используемых для выявления детской пневмонии, помимо рентгена и анализов крови, но они часто не обладают такой же точностью и надежностью или просто слишком продвинуты для этого типа заболевания. Это включает:
- Посев мокроты: инфекции выявляются путем анализа слизи, откашливаемой из легких и попадающей в рот (часто очень трудно собрать эти образцы у маленьких детей).
- пульсоксиметрия: измерение количества кислорода в крови.
- компьютерная томография грудной клетки: с использованием изображений структуры грудной клетки (выполняется очень редко).
- бронхоскопия: анализ, используемый для исследования дыхательных путей легких (также используется очень редко).
- Посев плевральной жидкости: анализ жидкости из плевральной полости (области между легкими и грудной стенкой).
В странах с относительно плохой медицинской инфраструктурой для диагностики часто используются очень простые методы, такие как частота дыхания (высокая частота дыхания часто считается потенциальным признаком пневмонии). или визуальные признаки в грудной полости при дыхании (нижняя часть грудной клетки может втягиваться или втягиваться при вдохе - у здорового человека грудь расширяется во время вдоха).
Эти методы часто используются из-за отсутствия сильной медицинской инфраструктуры в регионе и отсутствия эффективности и точности рентгеновских лучей или анализов крови.
Даже при наличии инфраструктуры медицинские эксперты не всегда доступны для своевременного предоставления точных оценок, и здесь может оказаться полезным наличие автоматизированной системы.
Интуитивно понятный, простой в использовании: классификация рентгеновских лучей с помощью Джотто
Прелесть ИИ в том, что он может учиться у экспертов в этой области, позволяя распространять технологии среди сообществ, которые могут не иметь доступа к этим профессионалам или сложным техническим системам, тем самым улучшая диагностику и лечение заболеваний. и в конечном итоге спасти бесчисленное количество жизней.
Мы стремились создать и развернуть модель классификации изображений AI, которая способна своевременно выявлять случаи пневмонии по рентгеновским снимкам с высоким уровнем точности. Систему необходимо обучить работе с изображениями, которые ранее были помечены квалифицированными медицинскими специалистами, но впоследствии их можно использовать для классификации новых изображений по любому, у кого есть доступ в Интернет.
Для нашей задачи мы использовали платформу AI без кода Giotto, доступную здесь. Джотто стремится предоставить современные технологии искусственного интеллекта на простой в использовании платформе, доступной для всех, без необходимости в навыках программирования. Кроме того, функция развертывания веб-приложений позволяет пользователям делиться своими моделями со всеми.
Благодаря платформам искусственного интеллекта без кода, таким как Giotto, любой, у кого есть подключение к Интернету, получает доступ к наиболее производительным инфраструктурам глубокого обучения и вычислительным системам на основе графических процессоров и использует их в нескольких щелчках мыши. для своих целей.
Если вы хотите пройти пошаговое руководство о том, как начать работу с Giotto, вы можете взглянуть на нашу предыдущую запись в блоге, где мы исследуем платформу, используя классификацию изображений. модель на большом наборе данных, содержащем множество видов цветов.
Для этой задачи мы использовали данные, полученные из исследования под названием «Выявление медицинских диагнозов и излечимых заболеваний с помощью глубокого обучения на основе изображений» (Kermany et al., 2018)
В этой статье команда использует модели трансферного обучения для создания обобщенного высокоэффективного приложения в биомедицинских изображениях. Этот набор данных состоял из 5'853 изображений рентгеновских снимков грудной клетки, помеченных людьми, которые были разделены на два класса: нормальные и с изображением пневмонии. Доступ к данным можно получить здесь.
Чтобы обучить нашу модель, мы загрузили изображения с ранее помеченными в две папки, нормальную и с изображением пневмонии. Работа с Giotto очень интуитивно понятна и не требует никакого присмотра. После загрузки данных вам будет предложено выбрать методы увеличения данных. На этапе выбора модели вы выбираете размер resNet и количество эпох, с которыми вы хотите ее тренировать.
Если вы не уверены на каком-либо этапе в процессе, вы всегда можете использовать опцию «Автоматизировать выбор с помощью Джотто».
Производительность модели и дальнейшие последствия использования ИИ в здравоохранении
Алгоритмы поддержки принятия клинических решений для медицинской визуализации часто подвергаются тщательной проверке. Идея позволить машине диктовать диагноз потенциально опасного для жизни заболевания по-прежнему оставляет у многих сомнения в ее надежности и интерпретируемости. Вот почему для нас важно достичь уровня точности, который, по крайней мере, равен, если не лучше, чем у медицинского работника.
После прохождения через нашу модель машинного обучения мы смогли достичь точности 98,89% в нашем тестовом наборе данных, используя resnet 34 и всего лишь 15 эпох. . Глядя на матрицу неточностей, мы также наблюдаем специфичность, чувствительность и точность выше 98%. Этот результат будет аналогичен результатам команды высококвалифицированных радиологов с многолетним опытом интерпретации рентгенограмм. И потребовалось всего 30 минут, чтобы научить нашу машину мельчайшим различиям, необходимым для различения двух наборов легких.
Учитывая сложный характер рентгеновских снимков грудной клетки (а именно относительно большое количество различных объектов, включая большую площадь вне легких, которые не имеют отношения к обнаружению пневмонии), в сочетании с впечатляющей достигнутой точностью Согласно нашей модели, это предполагает, что аналогичные модели смогут учиться на все более сложных изображениях с использованием относительно небольших наборов данных с высокой степенью обобщения .
Эта структура трансферного обучения предоставляет интересную возможность для дальнейшего изучения и анализа биомедицинских изображений с использованием интуитивно понятной модели, которую могут легко обучить и развернуть люди во всем мире, независимо от их опыта и знаний в данной области. Таким образом, Джотто можно использовать для различения различных форм пневмонии с использованием аналогичных наборов данных рентгеновских снимков, но также можно найти дополнительные применения для других респираторных заболеваний грудной клетки или даже различные и более сложные приложения для обработки медицинских изображений.
Заключение
Облегчение доступа к быстрой и точной диагностике медицинских изображений с использованием платформ искусственного интеллекта может помочь снизить воздействие болезней как в развитых, так и в развивающихся странах. Это может не только помочь снизить финансовое бремя выявления болезни, но также может помочь спасти бесчисленное количество жизней за счет сокращения времени, необходимого для диагностики болезни, тем самым обеспечивая более быстрое применение жизненно важных методов лечения. .
Снижение затрат, связанных с человеческим трудом, например обучением радиологов и других медицинских специалистов, также может позволить правительствам и НПО вкладывать больше средств в медицинскую инфраструктуру, такую как рентгеновское оборудование. для борьбы с болезнью.
Со временем мы можем прогнозировать снижение стоимости и улучшение возможности развертывания такой технологии. Сочетание этого с преимуществами такой платформы, как Giotto, действительно может иметь реальное положительное влияние на миллионы людей по всему миру.
